利用多船轨迹几何特征的渔业活动半监督检测方法
机器学习
2022-08-23 v2
摘要
自动识别系统（AIS）报文通过无线电链路和卫星收发器对全球海洋中的船舶活动进行跟踪，十分有用。此类数据在跟踪船舶活动与绘制如渔业中所见的移动模式方面发挥着重要作用。据此，本文提出一种基于几何驱动的半监督方法，从 AIS 数据中检测渔业活动。通过所提方法，我们展示了如何挖掘报文中的信息以提取描述船舶航线几何形状的特征。为此，我们利用聚类分析的无监督特性对轨迹几何进行标注，突出船舶运动模式的变化，而这往往意味着渔业活动。由所提无监督方法获得的标签被用于检测渔业活动，我们将其视为时间序列分类任务。在此背景下，我们提出一种在 AIS 数据流上使用循环神经网络的解决方案，在 50 艘不同未见渔业船舶的整条轨迹上取得了约 87% 的总体 值。这些结果辅以一项广泛的基准研究，评估了不同循环神经网络（RNN）架构的性能。总之，本工作通过提出包含数据准备、标注、数据建模与模型验证的完整流程做出贡献。因此，我们提出了一种依赖随时间展开轨迹并观察其固有几何形状的移动模式检测新方案。
引用
@article{arxiv.2207.05514,
title = {A semi-supervised methodology for fishing activity detection using the geometry behind the trajectory of multiple vessels},
author = {Martha Dais Ferreira and Gabriel Spadon and Amilcar Soares and Stan Matwin},
journal= {arXiv preprint arXiv:2207.05514},
year = {2022}
}
备注
Ferreira, M.D.; Spadon, G.; Soares, A.; Matwin, S. A Semi-Supervised Methodology for Fishing Activity Detection Using the Geometry behind the Trajectory of Multiple Vessels. Sensors 2022, 22, 6063. https://doi.org/10.3390/s22166063